CN112037164B - 医学影像中身体部位识别方法及装置 - Google Patents
医学影像中身体部位识别方法及装置 Download PDFInfo
- Publication number
- CN112037164B CN112037164B CN201910478561.5A CN201910478561A CN112037164B CN 112037164 B CN112037164 B CN 112037164B CN 201910478561 A CN201910478561 A CN 201910478561A CN 112037164 B CN112037164 B CN 112037164B
- Authority
- CN
- China
- Prior art keywords
- medical image
- body part
- value
- numerical value
- values
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000010801 machine learning Methods 0.000 claims abstract description 38
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000005856 abnormality Effects 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 6
- 238000012417 linear regression Methods 0.000 claims description 49
- 238000012937 correction Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012797 qualification Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 210000004185 liver Anatomy 0.000 description 6
- 210000004072 lung Anatomy 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 210000000988 bone and bone Anatomy 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 3
- 210000001124 body fluid Anatomy 0.000 description 3
- 239000010839 body fluid Substances 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 210000001519 tissue Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000037237 body shape Effects 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000002216 heart Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 206010039722 scoliosis Diseases 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G06T5/80—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种医学影像中身体部位识别方法,所述方法包括:获取一组医学影像,所述医学影像中包括多张包含有生物体身体部位的切面造影影像;将所述医学影像输入至预设的机器学习模型,得到每张医学影像所属身体部位对应的数值;侦测所述医学影像所属身体部位对应的数值是否异常,并在出现异常时对所述数值进行校正;确定所述校正后的数值对应的身体部位名称;在所述医学影像中标注所述确定的身体部位名称并输出标注后的医学影像。本发明还提供一种医学影像中身体部位识别装置。本发明节省判读医学影像中身体部位所花费之时间、人力与费用,并提高识别的准确性。
Description
技术领域
本发明涉及医学影像识别领域,具体涉及一种医学影像中身体部位识别方法及装置。
背景技术
电子计算机断层扫描(Computed Tomography,CT)、等医学影像技术成为现代医学中最重要的诊断手段之一。通过CT或MRI获得的生物体(例如人体或动物体)的医学影像是由一连串2D影像所构成,通常一张2D影像是生物体特定部位的切面造影,通过这一连串的切面造影可重组出生物体的特定身体部位,例如大脑、心脏、肝脏、肺脏等。在通过CT或MRI对生物体进行扫描摄影时,通常会跨域生物体的多个部位,例如从头部到颈部、从胸部到腹部,甚至从头到脚。而每个部位可能包括几百张甚至上千张的切面造影。医务工作者在进行诊断时,通常需要从中撷取出一个特定部位的影像。然而,通过人工方式对身体部位进行撷取的工作量巨大,浪费医务工作者宝贵的时间资源。另一方面,虽然近年来也出现了一些通过训练机器学习模型的方式来对医学影像中身体部位进行智能识别,但由于患者的身高、体型及拍摄位置等因素的差异,会导致机器学习模型的识别结果出现整体的异常,导致身体部位的识别结果不准确,这也给医务工作者的诊断工作带来影响。
发明内容
鉴于以上问题,本申请提出一种医学影像中身体部位识别方法,能够通过机器学习模型自动、快速的识别出医学影像所属身体部位的名称,并且在识别过程中通过错误侦测及校正操作进一步提高身体部位识别的准确度。
一方面,本申请提供一种医学影像中身体部位识别方法,包括:
获取一组医学影像,所述医学影像中包括多张包含有生物体身体部位的切面造影影像;
将所述医学影像输入至预设的机器学习模型,得到每张医学影像所属身体部位对应的数值;
侦测所述数值是否异常,并在出现异常时对所述数值进行校正;
确定所述校正后的数值对应的身体部位名称;
在所述医学影像中标注所述确定的身体部位名称并输出标注后的医学影像。
优选地,在将所述医学影像输入至所述机器学习模型之前,所述步骤还包括对医学影像的预处理,其中,所述预处理包括影像置中处理、特征值萃取处理中的至少一种。
优选地,所述置中处理包括:
坐标系建立步骤:针对每张医学影像建立X-Y坐标系;
计算步骤:计算所述每张医学影像中每个像素对应的CT值;
Y轴平移步骤:将CT值大于第一预设值的所有像素的Y轴坐标值取平均值,并以所述平均值对应的Y轴坐标值作为影像在Y轴的中心,对所述医学影像沿Y轴平移;
X轴平移步骤:确定CT值大于第二预设值的所有像素的对称中心,将所述对称中心作为所述医学影像在X轴的中心,对所述医学影像沿X轴平移;
填充步骤:将原医学影像所处坐标区域中新增区域的像素对应的CT值以-1000进行填补。
优选地,所述特征值萃取的方法包括:
获取医学影像中每个像素对应的CT值;
将CT值大于第三预设值的所有像素的像素值设定为第一像素值;
将CT值大于第四预设值且小于第五预设值的所有像素的像素值设定为第二像素值,其中,所述第五预设值小于所述第三预设值且大于所述第四预设值,所述第二像素值小于所述第一像素值;以及
将CT值处于其他范围内的所有像素的像素值设定为零。
优选地,侦测所述数值是否异常包括:
以所述医学影像的断层扫描序号作为自变量,以所述断层扫描序号所属医学影像中身体部位对应的数值作为因变量,对所述自变量和所述因变量进行线性回归,得到线性回归方程;
计算所述线性回归方程的斜率、截距以及判定系数R2;
判断所述线性回归方程中的斜率、截距以及所述判定系数R2是否处于预定范围;
若所述斜率、截距、判定系数中至少一者超出所述预定范围,则判定整体数值异常;
若均未超出所述预定范围,则判定整体数值正常。
优选地,对所述数值进行校正包括:
以所述医学影像的断层扫描序号作为横坐标,以身体部位对应的数值作为纵坐标,建立一个二维坐标系;
根据所述医学影像的断层扫描序号及所述机器学习模型输出的医学影像所属身体部位对应的数值,在所述二维坐标系中生成第一斜线;
将所述第一斜线进行N等分,得到N段斜线区段,其中N为大于2的正整数;
对所述N段斜线区段分别进行线性回归,得到N个线性回归方程,并计算所述N个线性回归方程的斜率、截距以及判定系数R2;
确定所述N各线性回归方程中斜率、截距以及判定系数R2均处于所述预定范围的线性回归方程,作为合格方程;
计算所有合格方程的斜率、截距的平均值,得到平均斜率与平均截距;
根据所述平均斜率和平均截距确定第二斜线,并根据所述第二斜线校正所述医学影像的断层扫描序号与身体部位对应数值的关系,进而校正所述医学影像所属身体部位对应的数值。
另一方面,本发明还提供一种医学影像中身体部位识别装置,其特征在于,所述身体部位识别装置包括:
存储器,存储有计算机程序;
处理器,与所述存储器连接,执行所述存储器中存储的计算机程序时实现如下步骤:
获取一组医学影像,所述医学影像中包括多张包含有生物体身体部位的切面造影影像;
将所述医学影像输入至默认的机器学习模型,得到每张医学影像所属身体部位对应的数值;
侦测所述数值是否异常,并在出现异常时对所述数值进行校正;
确定所述校正后的数值对应的身体部位名称;
在所述医学影像中标注所述确定的身体部位名称并输出标注后的医学影像。
承上所述,本申请提供的医学影像中的身体部位识别方法及装置,通过机器学习模型在大量的医学影像中识别每个影像对应数值进而确定所述影响对应的身体部位名称,无需人工判读每组断层影像对应的身体部位名称,可节省大量人力与判读身体部位所花费之时间与费用。进一步地,本申请中在将医学影像输入至机器学习模型之前,先对医学影像进行预处理,便于机器学习模型对影像的识别,进而提升了机器学习模型的训练效率。更进一步地,通过身体部位对应数值整体上的异常侦测及校正,进一步提高医学影像中身体部位识别的准确性。
附图说明
图1示出了本申请一些实施例中的医学影像中身体部位识别方法流程图。
图2示出了本申请一些实施例中获取的医学影像示意图。
图3示出了本申请一些实施例中身体部位名称与数值的对应关系示意图。
图4示出了本申请一些实施例中对医学影像进行预处理的方法流程图。
图5示出了图4所示的对医学影像进行预处理中对医学影像进行置中处理的方法流程图。
图6示出了图4所示的对医学影像进行预处理中对医学影像进行特征值萃取的方法流程图。
图7示出了图1所示方法的步骤S3中身体部位对应数值的异常侦测方法流程图。
图8示出了图1所示方法的步骤S3中身体部位对应数值的校正方法流程图。
图9A-9F示出了图7-8中对医学影像数值进行异常侦测及校正的示例图。
图10示出了图9对应的对身体部位对应数值校正效果图。
图11示出了本申请一些实施例中医学影像中身体部位识别装置的硬件架构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施例对本发明进行详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。
请参阅图1,为本发明一些实施方式中医学影像中身体部位识别方法流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。为了便于说明,仅示出了与本发明实施例相关的部分。
如图1所示,所述医学影像中身体部位识别方法包括以下步骤。
步骤S1、获取医学影像。
所述获取到的医学影像中包括多张连续的生物体切面造影影像,所述多张连续的生物体切面造影影像可以重组出生物体的各个身体部位,例如肺脏、肝脏、四肢等。例如图2所示,通过多张连续的生物体的二维(2D)切面造影图像1-6可以重组出生物体的身体部位。在所述医学影像中,对于不同的身体部位,所包含的切面造影影像数目有所区别,例如,对于肺脏共有N张切面造影,对于肝脏共有M张切面造影。对于任意身体部位,其第一张切面造影图像对应为所述身体部位的顶层,最后一张切面造影图像对应所述身体部位的底层。
所述医学影像可以是符合医疗数位影像传输协定(DICOM,Digital Imaging andCommunications in Medicine)的通用标准的影像数据。DICOM是一个规范如何处理、存储、打印及传输医疗影像数据的标准,DICOM的标准包括档案格式定义及通信协定。符合DICOM标准的影像数据必须以支援TCP/IP协定的通信网络进行传输。符合DICOM标准的影像数据具有诸如像素数据(pixel data)及影像属性信息(attribute information)等格式定义。像素数据描述每个像素的值,组成一个影像。属性信息具有多个标签(tags)及多个分别对应于所述标签的属性值(attribute value)。
在一些实施例中,获取的所述医学影像为电子计算机断层扫描图像(下称CT图像)。
在一些可选实施例中,所述医学影像包括整个人体的所有切面造影影像,所述影像中包括人身体的各个部位,用于辅助医务工作者对人体进行医学观察和诊断。可选地,所述医学影像也可以包括人体特定部位的一系列连续的切面造影影像,例如包括患者从头部到颈部的一系列连续的切面造影影像,或者是患者胸部、腹部的一系列切面造影影像。所述医学影像通常可以由几百张甚至上千张切面造影图像组成。可以理解,所述医学影像除了可以是人体的切面造影之外,还可以是动物身体的切面造影,用于辅助医学人员对动物进行医学观察和诊断。
步骤S2、将所述医学影像输入至预设的机器学习模型,得到每张医学影像所属身体部位对应的数值。
在一些实施方式中,所述预设的机器学习模型可以是现有的神经网络模型,例如残差网络(Residual Networks,ResNets)学习模型、卷积神经网络模型(例如AlexNet、VGG16、VGG19等),将生物体切片造影影像与断层顺序输入至所述预设的机器学习模型,通过训练所述学习网络模型,输出切片造影影像对应的数值,并通过所述数值确定所述切片造影图像所属的身体部位。所述机器学习模型的训练方法可以使用现有技术实现,例如,KeYan et al.在UNSUPERVISED BODY PART REGESSION VIA SPATIALLY SELF-ORDERINGCONVOLUTIONAL NEURAL NETWORKS,(2018),arXiv:1707.03891v2[cs.CV]中提供了一种通过非监督式回归卷积网络进行身体部位识别的方法,本发明中不再对此进行赘述。
例如图3中所示,身体部位名称与数值范围对应关系的一个示例性说明,假如所述数值范围为0-40,其中,不同的数值范围对应人体不同的部位名称。例如,1-10对应人体的头部;10-20对应人体的胸部,其中,17-20对应的器官为人体的肺脏;20-40对应人体的腹部。当一张切片造影输入所述机器学习模型后得出所述切片造影对应的数值为17时,对应的身体部位为肺部。
步骤S3、判断所述医学图像映射的数值整体上是否异常,并在出现异常时对所述数值进行校正。
在通过机器学习模型对医学影像所对应的身体部位进行识别时可能出现数值对应错误的情况,例如将肺脏部位对应的数值错误识别为肝脏部位对应的数值,如果不对这些异常数值进行侦测及校正,那么机器学习模型对身体部位的识别结果将出现不准确的情形,这会给医学工作者的诊断工作带来很大影响。因此,需要对机器学习模型输出的数值进行整体上的异常侦测与校正处理。具体的异常侦测与校正方法将在后面结合图7和图8做进一步地详细说明。
步骤S4、确定所述校正后的数值对应的身体部位名称。
步骤S5、在所述医学影像中标注所述身体部位名称,并输出标注后的医学影像。
在一些优选实施例中,通过在所述医学影像中直接添加卷标来标注所述医学影像中所包含的身体部位名称,例如,若确定所述医学影像中所包含的是肝脏,则在所述医学影像中添加肝脏对应的标签。所述卷标可以是中文文字、英文文字等。
在一些优选实施例中,步骤S2中将所述医学影像输入至默认的机器学习模型之前,还可以包括对医学影像的预处理,使得预处理后的医学影像更利于机器学习模型的识别与分类,进而降低模型的训练时间,提高训练效率。如图4所示,为本发明一些实施例中对所述医学影像进行预处理的方法流程图。所述对医学影像进行预处理的方法包括如下步骤。
步骤S401、对每张医学影像进行置中处理。
在医学影像摄取过程中,由于被摄者的体位、身形等问题,可能导致摄取到的医学影像中身体部位没有处于合适的位置,例如被摄者的身体可能有脊柱侧弯的缺陷,这样摄取到的部分身体部位可能在影像中发生偏置,不利于机器学习模型对影像的识别与训练。如果对医学影像中的身体部位进行置中校正,则可以纠正身体部位在影像中发生偏置的问题,有利于机器学习模型对影像的识别和判读。具体置中处理的方法将在下面结合图5进行进一步说明。
步骤S402、对所述医学影像进行特征值萃取。
一张医学影像中可能包括有骨头、体液、软组织、肌肉以及空气等等多种成分的影像,不同成分所属像素的CT值不同,像素值也不同,越复杂的影像对于机器学习模型来说训练所需的时间越长,此外因特征模糊化少量影像状态下即可训练出通用模型,如果对医学影像进行特征值的萃取使得影像内容简化并使得生物体重要器官或组织得以突显,可以节省机器学习模型的训练时间,提高效率。具体进行特征值萃取的方法将在下面结合图6进行说明。
具体地,如图5所示,为所述步骤S401中对所述医学影像进行置中处理的流程图。对所述医学影像进行置中处理包括如下步骤,其中,有些步骤之间的顺序可以改变,某些步骤可以省略。
步骤501、坐标系建立步骤:针对每张医学影像建立X-Y坐标系,所述医学影像均对应一个坐标区域。
在一些实施例中,所述坐标系的X坐标轴可以是切片造影影像的底边,Y坐标轴可以是切片造影影像的左侧边,坐标原点可以是所述医学影像底边与左侧边的交点位置。可以理解,所述坐标系的设置方式也可以根据需要按照其他方式进行设置。
步骤502、计算步骤:计算所述医学影像中每个像素对应的CT值。
CT值是CT图像中生物体各组织与X线衰减系数相当的对应值,是测定生物体局部组织或器官密度大小的一种计量单位,通常称为亨氏单位(Hounsfield unit,HU),其中空气的CT值为-1000,致密骨为+1000。
步骤503、Y轴平移步骤:将CT值大于第一默认值的所有像素的Y轴坐标值取平均值,并以所述平均值对应的Y轴坐标值作为Y轴质心,将所述医学影像的中心沿Y轴平移至所述Y轴质心位置。
在一个优选实施例中,所述第一默认值为-90,即,取Hounsfield>-90的所有像素值的Y坐标平均值作为Y轴质心。当然,在其他实施例中,所述第一默认值也可以根据需要设置为其他数值。
步骤504、X轴平移步骤:确定CT值大于第二默认值的所有像素,计算所述CT值大于第二默认值的所有像素的对称中心,将所述对称中心作为所述医学影像在X轴的中心,对所述医学影像沿X轴平移。
在一个优选实施例中,所述第二默认值为200,即,取Hounsfield>200的所有像素值的对称中心。
步骤505、填充步骤:将原影像所处坐标区域中新增区域的像素对应的CT值以-1000进行填补。
在对医学影像进行置中操作后,会有部分影像移出原坐标区域,相应地,原坐标区域内会产生空白区域,因此需要将空白区域进行像素的填充,以保持原坐标区域影像的完整,利于机器学习模型对影像的识别。
请参阅图6所示的所述步骤S402中对所述医学影像进行特征值萃取方法流程图。对所述医学影像进行特征值萃取方法包括如下步骤。
步骤S601、获取医学影像中每个像素对应的CT值。
步骤S602、将CT值大于第三默认值的所有像素的像素值设定为第一像素值。
其中,CT值大于所述第三默认值的像素区域对应生物体的骨骼区域。在一些优选实施例中,所述第三默认值为200HU,可以理解,在其他实施例中,所述第三默认值也可以根据需要设置为其他能够指示生物体骨骼区域的CT值。
步骤S603、将CT值大于第四默认值且小于第五默认值之间所有像素的像素值设定为第二像素值。其中,所述第五默认值小于所述第三默认值,且大于所述第四默认值,所述第二像素值小于所述第一像素值。
其中,CT值位于所述第四默认值与第五默认值之间的区域对应生物体的体液、软组织、肌肉等身体部分。在一些优选实施例中,所述第四默认值为-5HU,所述第五默认值为50HU。可以理解,在本发明其他实施例中,所述第四默认值和第五默认值也可以根据需要设置为其他能够指示体液、软组织、肌肉等身体部分的CT值。
本实施方式中,所述第一像素值为1、所述第二像素值为0.5。
影像导入机器学习前,步骤S604、将CT值处于其他范围内的所有像素的像素值设定为零。
在本发明另一些实施例中,所述对医学影像的预处理也可以仅包括对医学影像进行置中处理、特征值萃取中任意一种预处理方法,例如,在将医学应将输入至所述默认的机器学习模型之前,仅对所述医学影像进行置中处理,而不进行特征值萃取处理,又或者仅对所述医学影像进行特征值萃取处理,而不进行置中处理。
请参阅图7,为图1所示的方法中步骤S3所述的身体部位对应数值的异常侦测方法流程图,即图7所示步骤为图1所示步骤S3的子流程图。
步骤S701、以所述医学影像的断层扫描序号作为自变量x,以所述断层扫描序号所属医学影像中身体部位对应的数值作为因变量y,对所述自变量x和所述因变量y进行线性回归,得到线性回归方程。
线性回归是利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。在本发明实施例中,所述线性回归方程为一元线性回归方程y=ax+b,其中,a为回归系数,也称为所述线性回归方程的斜率,b为回归方程的常数项,也称为线性回归方程的截距。所述回归系数a和常数项b可以通过最小二乘法(也称为最小平方法)获得。通过最小二乘法获得线性回归系数和常数项属于本领域常用技术,在此不再详细说明。
在本实施例中,所述医学影像的断层扫描序号的排列顺序与医学影像的成像方向(或者说被摄者的拍摄体位)有关,例如,如果被摄者的体位为头在前且仰卧,那么断层扫描序号依医学影像中DICOM SliceLocation数值由大至小排列,如果被摄者是其他体位,所述断层扫描序号也可以是起始为0,且以1累进,亦即,作为自变量x的所述医学影像的断层扫描序号按0,1,2,3,4……n依次从小到大排列。
步骤S702、计算所述线性回归方程的斜率、截距以及所述线性回归方程的判定系数R2。
判定系数(coefficient of determination)R2也叫可决系数或决定系数,是指在线性回归中,回归平方和与总离差平方和之比值,其数值等于相关系数的平方。它是对估计的回归方程拟合优度的度量。当R2越接近1时,表示相关的方程式参考价值越高;相反,越接近0时,表示参考价值越低。对于所述一元线性回归方程,判定系数为样本相关系数的平方。
步骤S703、判断所述线性回归方程中的斜率、截距以及所述判定系数R2是否处于预定范围。
在本实施方式中,所述斜率与截距的预定范围以及所述判断系数的预定范围可根据实际需要进行设置,例如,所述判定系数R2的预定范围为大于0.8。
步骤S704、若所述斜率、截距、判定系数中至少一者超出所述预定范围,则判定整体数值异常。
步骤S705、若均未超出所述预定范围,则判定整体数值正常。
举例而言,若所述线性回归方程的斜率很小,例如为0.003,说明线性回归方程对应的斜率非常平缓,也即不同断层扫描序号对应的医学影像中身体部位对应的数值很接近,那么说明识别准确度将降低,且判定系数R2的值越小,那么说明所述线性回归方程的参考价值越低,那么在判定系数也小于默认值的情况下,将会判断所述医学影像的断层扫描序号对应的身体部位对应的数值整体上不准确,出现异常。
请参阅图8,为本发明一些实施例中身体部位对应数值的校正方法流程图。
步骤S801、以所述医学影像的断层扫描序号作为横坐标,以身体部位对应的数值作为纵坐标,建立一个二维坐标系。
步骤S802、根据所述医学影像的断层扫描序号及所述机器学习模型输出的医学影像所属身体部位对应的数值,在所述二维坐标系中生成第一斜线。即,将每个医学影像的断层扫描序号及所述机器学习模型输出的医学影像所属身体部位对应的数值作为所述二维坐标系中的离散的取值点,利用这些离散的取值点形成所述第一斜线。
步骤S803、将所述第一斜线进行N等分,得到N段斜线区段。
其中N为大于2的正整数。在一个示例性的实施例中,可以将所述第一斜线进行四等分,得到四段斜线区段。在其他实施例中,也可根据需要将所述第一斜线等分为更多等份,以增加校正的准确度。
步骤S804、对所述N段斜线区段分别进行线性回归,得到N个线性回归方程,并计算所述N个线性回归方程的斜率、截距以及判定系数R2。
步骤S805、确定所述N各线性回归方程中斜率、截距以及判定系数R2均处于所述预定范围的线性回归方程,作为合格方程。
步骤S806、计算所有合格方程的斜率、截距的平均值,得到平均斜率与平均截距。
步骤S807、根据所述平均斜率和平均截距确定第二斜线,并根据所述第二斜线校正所述医学影像的断层扫描序号与身体部位对应数值的关系,进而校正所述医学影像所属身体部位对应的数值。
进一步地,在一些优选实施例中,所述方法还进一步包括如下步骤。
步骤S808、判断所述校正后的整体数值是否仍异常,若仍异常则输出人工校正指示信息。当异常无法自动更正时,通知相关人员进行人工校正。
举例而言,如图9A-9F所示,为本申请一些实施例中对医学影像数值进行异常侦测及校正的示意图。其中,图9A中L1为校正之前的身体部位对应数值与断层扫描序号的对应关系的离散点组成的图形(即为第一斜线),依此离散点生成的线性回归方程为:y=0.1412x-23.426,计算得到的判定系数R2=0.6796,当根据所述线性回归方程的斜率、截距以及判定系数确定所述数值整体异常时,对所述数值进行校正。如所述图9B-9E所示,为将所述离散点组成的第一斜线进行四等分,得到分别如图9B-9E所示的四段斜线区段L1-L4。分别计算所述四段斜线区段的线性回归方程,并得到斜率、截距以及判定系数。其中,第一斜线区段的线性回归方程为y=0.0369x-20.486,R2=0.7559;第二斜线区段的线性回归方程为y=0.099x-22.183,R2=0.9608;第三斜线区段的线性回归方程为y=0.0988x-22.683,R2=0.942;第四斜线区段的线性回归方程为y=0.0885x-15.288,R2=0.0196。其中,第三、四斜线区段的斜率、截距以及判定系数符合设定范围,则取所述第三、四斜线区段的斜率、截距的平均值,得到如图9F所示的斜线L5。依据所述斜线L2对身体部位对应的数值进行校正。图10为图9对应的对身体部位对应数值校正效果图。图10中左侧为校正后获取到的一数值对应的身体部位的图片,右侧为无须校正影像相似数值对应的身体部位图片,可以看出,经过校正后的身体部位图像与无须校正身体部位图像类似。
本申请提供的医学影像中的身体部位识别方法,通过机器学习模型在大量的医学影像中识别每个图像映射数值进而确定所述影响对应的身体部位名称,无需人工判读每组断层图像映射的身体部位名称,可节省判读身体部位所花费之时间、人力与费用。更进一步地,通过身体部位对应数值整体上的异常侦测及校正,进一步提高医学影像中身体部位识别的准确性。
请参阅图11,为本申请一些实施例中医学影像中身体部位识别装置的架构示意图。
在本发明一些实施例中,医学影像中身体部位识别装置100(下称识别装置100)包括通讯单元101、输入输出单元103、存储器105、处理器107。所述识别装置100可以是但不限于服务器、台式计算器、笔记本计算机、一体机、平板计算机、智能手机、医学影像拍摄装置中的任一种,所述服务器可以是但不限于单独的服务器、服务器集群、云服务器等。
所述通讯单元101可以是包含必要的硬件、软件、或韧体的电子模块,组配来藉由通信网络建立与其他通讯设备进行数据交换。举例而言,在一些实施方式中,所述通讯单元101可以与医学影像拍摄装置建立通讯连接,从所述医学影像拍摄装置接收所述包括有生物体身体部位的切面造影的医学影像。在另一些实施方式中,所述通讯单元101也可以与服务器建立连接,从所述服务器中获取所述医学影像并将识别结果上传至服务器。在又一些实施方式中,所述通讯单元101还可以与用户终端(例如智能手机、个人计算器等)进行数据交互,例如将识别结果发送至所述用户终端。所述通信网络可以包括有线网络和无线网络其中至少一者。所述无线网络和有线网络可以是现有技术中存在的和未来出现的任何适用于所述识别装置100与所述医学影像拍摄装置或服务器通讯的网络。在其他的实施态样中,所述识别装置10医学影像拍摄装置本身时,所述通讯单元101也可以被省略。
所述输入输出单元103用于接收用户输入的控制指令并输出数据处理结果。在本实施方式中,所述输入输出单元103可以包括独立的输入设备(例如鼠标、键盘、手写板、语音识别装置等)和输出装置(例如液晶显示屏、打印机等),还可以是触控显示屏等。例如,所述输入输入单元103可以接收用户通过鼠标、键盘、或语音识别装置其中一者输入的医学影像获取和识别的指令,并将识别完成并标注有身体部位名称的医学影像结果通过显示设备输出给使用者或者通过打印机打印出医学影像并输出给用户。
所述存储器105中存储有医学影像中身体部位识别程序109以及各种数据,例如医学影像数据。所述存储器105可以是但不限于只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可程序设计只读存储器(Programmable Read-OnlyMemory,PROM)、可擦除可程序设计只读存储器(Erasable Programmable Read-OnlyMemory,EPROM)等。
所述处理器107可以是包括一个或多个硬件、软件、或韧体的电子模块,例如服务器。这些服务器可以采用集中式的配置或分布式的集群安排。在其他实施态样中,所述处理器114可以是单一计算机或计算机中的中央处理器(Central Processing Unit,CPU),又或者是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现成可程序设计门阵列(Field-ProgrammableGate Array,FPGA)等。
所述处理器107通过运行或执行存储在所述存储器105内的医学影像中身体部位识别程序109时,实现如前所述的医学影像中身体部位识别方法实施例中的方法步骤,例如所述步骤S1-步骤S5、步骤S401-S402、步骤S505-S505、步骤S601-S604、步骤S701-S705、步骤S801-S808。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。计算机装置权利要求中陈述的多个单元或计算机装置也可以由同一个单元或计算机装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种医学影像中身体部位识别方法,其特征在于,所述方法包括:
获取一组医学影像,所述医学影像中包括多张包含有生物体身体部位的切面造影影像;
将所述医学影像输入至预设的机器学习模型,得到每张医学影像所属身体部位对应的数值;
侦测所述医学影像所属身体部位对应的数值是否异常,并在出现异常时对所述数值进行校正;
确定所述校正后的数值对应的身体部位名称;
在所述医学影像中标注所述确定的身体部位名称并输出标注后的医学影像;在将所述医学影像输入至机器学习模型之前,还包括对医学影像的预处理,其中,所述对医学影像的预处理包括置中处理、特征值萃取处理中的至少一种;所述置中处理包括:
坐标系建立步骤:针对每张医学影像建立X-Y坐标系;
计算步骤:计算所述医学影像中每个像素对应的CT值;
Y轴平移步骤:将CT值大于第一预设值的所有像素的Y轴坐标值取平均值,并以所述平均值对应的Y轴坐标值影像中心,对所述医学影像沿Y轴平移;
X轴平移步骤:确定CT值大于第二预设值的所有像素,确定CT值大于第二预设值的所有像素的对称中心,将所述对称中心作为所述医学影像在X轴的中心,对所述医学影像沿X轴平移;
填充步骤:将原医学影像所处坐标区域中新增区域的像素对应的CT值以-1000进行填补;所述特征值萃取的方法包括:
获取医学影像中每个像素对应的CT值;
将CT值大于第三预设值的所有像素的像素值设定为第一像素值;
将CT值大于第四预设值且小于第五预设值之间所有像素的像素值设定为第二像素值,其中,所述第五预设值小于所述第三预设值,且大于所述第四预设值;以及
将CT值处于其他范围内的所有像素的像素值设定为零;
判断所述身体部位对应的数值是否出现异常包括:
以所述医学影像的断层扫描序号作为自变量,以所述断层扫描序号所属医学影像中身体部位对应的数值作为因变量,对所述自变量和所述因变量进行线性回归,得到线性回归方程;
计算所述线性回归方程的斜率、截距以及确定系数R2;
判断所述线性回归方程中的斜率、截距以及所述确定系数R2是否处于预定范围;
若所述斜率、截距、确定系数中至少一者超出所述预定范围,则判定整体数值异常;
若均未超出所述预定范围,则判定整体数值正常。
2.如权利要求1所述的医学影像中身体部位识别方法,其特征在于,所述机器学习模型为非监督式基于卷积神经网络的回归模型。
3.如权利要求1所述的医学影像中身体部位识别方法,其特征在于,对所述身体部位对应的数值进行纠错处理包括:
以所述医学影像的断层扫描序号作为横坐标,以身体部位对应的数值作为纵坐标,建立一个二维坐标系;
根据所述医学影像的断层扫描序号及所述机器学习模型输出的医学影像所属身体部位对应的数值,在所述二维坐标系中生成第一斜线;
将所述第一斜线进行N等分,得到N段斜线区段,其中N为大于2的正整数;
对所述N段斜线区段分别进行线性回归,得到N个线性回归方程,并计算所述N个线性回归方程的斜率、截距以及确定系数R2;
确定所述N个线性回归方程中斜率、截距以及确定系数R2均处于所述预定范围的线性回归方程,作为合格方程;
计算所有合格方程的斜率、截距的平均值,得到平均斜率与平均截距;
根据所述平均斜率和平均截距确定第二斜线,并根据所述第二斜线校正所述医学影像的断层扫描序号与身体部位对应数值的关系,进而校正所述医学影像所属身体部位对应的数值。
4.如权利要求3所述的医学影像中身体部位识别方法,其特征在于,对所述身体部位对应的数值进行纠错处理进一步包括:
判断校正后的整体数值是否仍异常,若仍异常,则输出人工校正指示信息。
5.一种医学影像中身体部位识别装置,其特征在于,所述身体部位识别装置包括:
医学影像获取模块,用于获取一组医学影像,所述医学影像中包括多张包含有生物体身体部位的切面造影影像;
数值生成模块,用于将所述医学影像输入至预设的机器学习模型,得到每张医学影像所属身体部位对应的数值;
校正模块,用于侦测所述医学影像所属身体部位对应的数值是否异常,并在出现异常时对所述数值进行校正;
确定模块,用于确定所述校正后的数值对应的身体部位名称;
标注模块,用于在所述医学影像中标注所述确定的身体部位名称并输出标注后的医学影像;
在将所述医学影像输入至机器学习模型之前,还包括对医学影像的预处理,其中,所述对医学影像的预处理包括置中处理、特征值萃取处理中的至少一种;所述置中处理包括:
坐标系建立步骤:针对每张医学影像建立X-Y坐标系;
计算步骤:计算所述医学影像中每个像素对应的CT值;
Y轴平移步骤:将CT值大于第一预设值的所有像素的Y轴坐标值取平均值,并以所述平均值对应的Y轴坐标值影像中心,对所述医学影像沿Y轴平移;
X轴平移步骤:确定CT值大于第二预设值的所有像素,确定CT值大于第二预设值的所有像素的对称中心,将所述对称中心作为所述医学影像在X轴的中心,对所述医学影像沿X轴平移;
填充步骤:将原医学影像所处坐标区域中新增区域的像素对应的CT值以-1000进行填补;
所述特征值萃取的方法包括:
获取医学影像中每个像素对应的CT值;
将CT值大于第三预设值的所有像素的像素值设定为第一像素值;
将CT值大于第四预设值且小于第五预设值之间所有像素的像素值设定为第二像素值,其中,所述第五预设值小于所述第三预设值,且大于所述第四预设值;以及
将CT值处于其他范围内的所有像素的像素值设定为零;
判断所述身体部位对应的数值是否出现异常包括:
以所述医学影像的断层扫描序号作为自变量,以所述断层扫描序号所属医学影像中身体部位对应的数值作为因变量,对所述自变量和所述因变量进行线性回归,得到线性回归方程;
计算所述线性回归方程的斜率、截距以及确定系数R2;
判断所述线性回归方程中的斜率、截距以及所述确定系数R2是否处于预定范围;
若所述斜率、截距、确定系数中至少一者超出所述预定范围,则判定整体数值异常;
若均未超出所述预定范围,则判定整体数值正常。
6.一种电子设备,所述电子设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-4中任一项所述的医学影像中身体部位识别方法。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的医学影像中身体部位识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478561.5A CN112037164B (zh) | 2019-06-03 | 2019-06-03 | 医学影像中身体部位识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478561.5A CN112037164B (zh) | 2019-06-03 | 2019-06-03 | 医学影像中身体部位识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037164A CN112037164A (zh) | 2020-12-04 |
CN112037164B true CN112037164B (zh) | 2024-03-15 |
Family
ID=73576444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478561.5A Active CN112037164B (zh) | 2019-06-03 | 2019-06-03 | 医学影像中身体部位识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037164B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
KR20180040287A (ko) * | 2016-10-12 | 2018-04-20 | (주)헬스허브 | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 |
CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103829965B (zh) * | 2012-11-27 | 2019-03-22 | Ge医疗系统环球技术有限公司 | 使用标记体来引导ct扫描的方法和设备 |
KR102154734B1 (ko) * | 2013-06-10 | 2020-09-10 | 삼성전자주식회사 | 의료 영상 촬영 방법 및 장치, 및 개인화된 파라미터 값의 생성 방법 |
-
2019
- 2019-06-03 CN CN201910478561.5A patent/CN112037164B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180040287A (ko) * | 2016-10-12 | 2018-04-20 | (주)헬스허브 | 기계학습을 통한 의료영상 판독 및 진단 통합 시스템 |
CN106909778A (zh) * | 2017-02-09 | 2017-06-30 | 北京市计算中心 | 一种基于深度学习的多模态医学影像识别方法及装置 |
CN107767928A (zh) * | 2017-09-15 | 2018-03-06 | 深圳市前海安测信息技术有限公司 | 基于人工智能的医学影像报告生成系统及方法 |
CN107644419A (zh) * | 2017-09-30 | 2018-01-30 | 百度在线网络技术(北京)有限公司 | 用于分析医学影像的方法和装置 |
CN109830284A (zh) * | 2017-11-23 | 2019-05-31 | 天启慧眼(北京)信息技术有限公司 | 医学影像的分析方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112037164A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210158531A1 (en) | Patient Management Based On Anatomic Measurements | |
US11710233B2 (en) | Three-dimensional medical image analysis method and system for identification of vertebral fractures | |
US8334878B2 (en) | Medical image processing apparatus and medical image processing program | |
US8194959B2 (en) | Medical image part recognition apparatus and medical image part recognition program | |
CN106909778A (zh) | 一种基于深度学习的多模态医学影像识别方法及装置 | |
US20080058611A1 (en) | Medical image processing apparatus | |
CN110796636A (zh) | 基于卷积神经网络的ct图像骨质状况检测方法及装置 | |
TWI738001B (zh) | 醫學影像中身體部位識別方法及裝置 | |
US8725801B2 (en) | Systems and methods for image sharing in a healthcare setting while maintaining diagnostic image quality | |
JP5837604B2 (ja) | 幾何学的特徴の自動算出方法、非一時的なコンピュータ可読媒体および画像解釈システム | |
US20210271914A1 (en) | Image processing apparatus, image processing method, and program | |
CN111986182A (zh) | 辅助诊断方法、系统、电子设备及存储介质 | |
CN111916186A (zh) | 序贯型ai诊断模型对胸部x线智能诊断系统及方法 | |
US20200342257A1 (en) | Learning system, method, and program | |
CN110619621B (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
CN111477289A (zh) | 检测报告的存储和读取方法及装置 | |
CN112037164B (zh) | 医学影像中身体部位识别方法及装置 | |
CN109767468B (zh) | 脏器体积检测方法及装置 | |
US20240062367A1 (en) | Detecting abnormalities in an x-ray image | |
CN110555850A (zh) | 识别图像中肋骨区域的方法、装置、电子设备和存储介质 | |
CN113706644A (zh) | 图像处理方法及其装置、存储介质 | |
Mouton et al. | Computer-aided detection of pulmonary pathology in pediatric chest radiographs | |
EP4318494A1 (en) | Method and apparatus for providing confidence information on result of artificial intelligence model | |
CN110264437B (zh) | 密度数据分析方法、装置及电子设备 | |
Minh et al. | Application of imagej software for the quantification of hand joint space narrowing in patients with rheumatoid arthritis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |